Čo robí OCR
Naskenovaná strana je obrázok. Môžete si ju prečítať, ale počítač v nej vidí len bodky: nedá sa v nej vyhľadávať, skopírovať z nej vetu ani si ju nechať prečítať čítačkou obrazovky. OCR (optické rozpoznávanie znakov) nájde v obrázku písmená a premení ich na skutočný text.
Pri voľbe PDF s vyhľadávaním nástroj zachová obrázky strán presne také, aké sú, a pod ne pridá neviditeľnú textovú vrstvu. Dokument vyzerá rovnako, ale môžete v ňom hľadať cez Ctrl+F, označovať a kopírovať text a nájdete ho aj vyhľadávaním v počítači či dokumentovom systéme. Pri voľbe Obyčajný text (.txt) získate iba rozpoznaný text, ktorý môžete rovno vložiť do e-mailu alebo dokumentu.
Jazyky
Rozpoznávanie funguje oveľa lepšie, keď pozná jazyk. Vyberte všetky jazyky, ktoré sa v dokumente vyskytujú, najviac štyri. Čím menej jazykov, tým je rozpoznávanie rýchlejšie a presnejšie. K dispozícii sú tieto jazyky:
angličtina, španielčina, portugalčina, francúzština, nemčina, taliančina, holandčina, švédčina, dánčina, poľština, čeština, slovenčina, maďarčina, rumunčina, gréčtina, ruština, turečtina, indonézština, vietnamčina, thajčina, čínština (zjednodušená), čínština (tradičná), japončina a kórejčina.
Možnosti pre lepšie výsledky
- Vyrovnať naklonené strany (predvolene zapnuté): strany naskenované pod miernym uhlom sa narovnajú. Zlepší to rozpoznávanie a dokument bude vyzerať upratanejšie.
- Odstrániť šum zo skenera: pred rozpoznávaním vyčistí škvrny a nečistoty z nekvalitných skenov.
- Strany, ktoré už majú text: Ponechať bez zmeny rozpozná iba strany bez textu, čo je správne pre väčšinu skenov. Zopakovať OCR nahradí starú alebo zlú textovú vrstvu. Rasterizovať a rozpoznať všetko premení každú stranu na obrázok a rozpozná ju znova; použite to, keď je existujúci text skomolený.
Ako dosiahnuť dobré OCR
Najdôležitejšia je kvalita skenu. Skenujte na 300 DPI; pre bežný text je minimum 200 DPI a drobné písmo vyžaduje viac. Pre text stačí čiernobiely režim alebo odtiene sivej. Fotografie z telefónu fungujú, ak je strana rovná, ostrá a rovnomerne osvetlená a odfotená priamo zhora. Tlačený text sa rozpoznáva veľmi spoľahlivo, rukopis zvyčajne nie. Tabuľky si zachovajú obsah, ale zložité rozloženia s mnohými stĺpcami môžu mať v textovom súbore iné poradie čítania.
Spracovanie na serveri, limity a súkromie
OCR vyžaduje veľa výpočtového výkonu, preto beží na našom vlastnom serveri s nástrojmi OCRmyPDF a Tesseract, dvoma známymi open-source nástrojmi. Súbory sa odosielajú šifrovaným spojením HTTPS, spracujú sa a hneď po spracovaní sa odstránia; výsledky sa vymažú do 15 minút. Dokument môže mať najviac 300 strán a 100 MB. Veľké skeny chvíľu trvajú; stránka zobrazuje priebeh a vaše miesto v poradí.
OCR využívajú aj ďalšie nástroje na tejto stránke: PDF na Word a PDF na Excel rozpoznávajú naskenované strany automaticky a DjVu na PDF dokáže vytvoriť výsledok s vyhľadávaním. Ak chcete po OCR zmenšiť veľké naskenované PDF, použite Komprimovať PDF.